Jove
Visualize
Contáctanos
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Videos de Conceptos Relacionados

MOS Capacitor01:25

MOS Capacitor

666
A Metal-Oxide-Semiconductor (MOS) capacitor is a fundamental structure used extensively in semiconductor device technology, particularly in the fabrication of integrated circuits and MOSFETs (metal-oxide-semiconductor field-effect transistors). The MOS capacitor consists of three layers: a metal gate, a dielectric oxide, and a semiconductor substrate.
The metal gate is typically made from highly conductive materials such as aluminum or polysilicon. Beneath the metal gate lies a thin layer of...
666
Implicit Memories01:24

Implicit Memories

81
Implicit memories, also known as non-declarative memories, are long-term memories that function outside of conscious awareness. These memories influence behavior and skills without explicit knowledge. This type of memory is evident in tasks like playing tennis, snowboarding, and texting. Implicit memory has three subsystems: procedural memory, conditioning, and priming. This type of memory is essential in various activities, from everyday tasks to specialized skills.
One key aspect of implicit...
81
Role of Cerebellum and Prefrontal Cortex in Memory01:14

Role of Cerebellum and Prefrontal Cortex in Memory

322
The cerebellum, while traditionally associated with motor control, also plays a crucial role in memory, particularly in procedural memory, which involves learning motor tasks that become automatic through repetition. For example, studies have shown that when the cerebellum is damaged, individuals or animals lose the ability to learn conditioned motor responses, such as the conditioned eye-blink response in classical conditioning experiments with rabbits. This study demonstrates the...
322

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

Genetic Insights into Interleukin-13 Polymorphisms in Colorectal Cancer Risk and Progression.

Cancer genomics & proteomics·2026
Same author

HEPACAM2 expression for prognostic stratification in rectal adenocarcinoma treated with neoadjuvant chemoradiotherapy.

BMC cancer·2026
Same author

Effectiveness of the health literacy education program for medical student clerkships: a one-group pretest-posttest study.

BMC medical education·2026
Same author

Few-Shot Lung Cancer Classification via Electronic Nose Using Large Language Models: A Multicentre Prospective Study.

Respirology (Carlton, Vic.)·2026
Same author

Diffusion-guided 4D microprinting of soft microactuators.

Nature communications·2026
Same author

Ultrasmooth Sub-Nanometer Chemical SiO<sub>2</sub> Surfaces and Enhanced Interface Characteristics via High-pH Fluoride Treatment for Si/HfO<sub>2</sub> MOS Devices.

ACS applied materials & interfaces·2026

Video Experimental Relacionado

Updated: May 24, 2025

Assembly and Characterization of Biomolecular Memristors Consisting of Ion Channel-doped Lipid Membranes
08:07

Assembly and Characterization of Biomolecular Memristors Consisting of Ion Channel-doped Lipid Membranes

Published on: March 9, 2019

7.7K

Un memristor de precisión mixta y un procesador de IA de cálculo en memoria SRAM

Win-San Khwa1, Tai-Hao Wen2, Hung-Hsi Hsu1,2

  • 1Taiwan Semiconductor Manufacturing Company Limited (TSMC), Hsinchu, Taiwan, Republic of China.

Nature
|March 5, 2025
PubMed
Resumen

Este estudio introduce un nuevo procesador heterogéneo de computación en memoria (CIM) de precisión mixta para dispositivos de borde de IA. Optimiza la eficiencia energética, la precisión y la velocidad mediante la partición inteligente de las tareas en diferentes arquitecturas CIM y formatos de números.

Más Videos Relacionados

A Method for Growing Bio-memristors from Slime Mold
07:46

A Method for Growing Bio-memristors from Slime Mold

Published on: November 2, 2017

8.9K
In Situ Transmission Electron Microscopy with Biasing and Fabrication of Asymmetric Crossbars Based on Mixed-Phased a-VOx
09:49

In Situ Transmission Electron Microscopy with Biasing and Fabrication of Asymmetric Crossbars Based on Mixed-Phased a-VOx

Published on: May 13, 2020

4.0K

Videos de Experimentos Relacionados

Last Updated: May 24, 2025

Assembly and Characterization of Biomolecular Memristors Consisting of Ion Channel-doped Lipid Membranes
08:07

Assembly and Characterization of Biomolecular Memristors Consisting of Ion Channel-doped Lipid Membranes

Published on: March 9, 2019

7.7K
A Method for Growing Bio-memristors from Slime Mold
07:46

A Method for Growing Bio-memristors from Slime Mold

Published on: November 2, 2017

8.9K
In Situ Transmission Electron Microscopy with Biasing and Fabrication of Asymmetric Crossbars Based on Mixed-Phased a-VOx
09:49

In Situ Transmission Electron Microscopy with Biasing and Fabrication of Asymmetric Crossbars Based on Mixed-Phased a-VOx

Published on: May 13, 2020

4.0K

Área de la Ciencia:

  • Ingeniería informática
  • Hardware de inteligencia artificial
  • Computación con eficiencia energética

Sus antecedentes:

  • Los dispositivos de borde de IA requieren computación de alta precisión y eficiencia energética con un gran almacenamiento y tiempos de respuesta rápidos.
  • Los enfoques convencionales de cálculo en memoria (CIM) que utilizan arquitecturas homogéneas (memristor-CIM, SRAM-CIM) o formatos de cálculo (integer, punto flotante) se enfrentan a compensaciones en eficiencia, almacenamiento, latencia y precisión.
  • Las soluciones existentes luchan por satisfacer los exigentes requisitos de las aplicaciones modernas de IA en dispositivos de borde.

Objetivo del estudio:

  • Desarrollar un procesador de borde CIM AI heterogéneo de precisión mixta que supere las limitaciones de los diseños homogéneos convencionales.
  • Permitir el particionamiento de capas de red por capas granulares y por núcleos granulares entre diversas arquitecturas de CIM en chip y formatos de cálculo.
  • Para lograr la optimización simultánea a través de la eficiencia energética, el almacenamiento, la latencia de despertar y la precisión de inferencia.

Principales métodos:

  • Implementación de una arquitectura CIM heterogénea que integra el memristor-CIM, el SRAM-CIM y las unidades digitales.
  • Desarrollo de un sistema flexible para la partición de las capas de red de IA por capas granulares y núcleos granulares.
  • Soporte para el cálculo de precisión mixta (número entero y punto flotante) basado en el análisis de la sensibilidad al error.

Principales resultados:

  • Se ha logrado una eficiencia energética elevada: 40,91 TFLOPS/W (ResNet-20) y 28,63 TFLOPS/W (MobileNet-v2).
  • Se ha demostrado una baja degradación de la precisión: <0,45% tanto para ResNet-20 como para MobileNet-v2.
  • Se alcanzó un tiempo de despertar-respuesta rápido de 373,52 μs.

Conclusiones:

  • El procesador CIM heterogéneo de precisión mixta propuesto equilibra efectivamente la eficiencia energética, la precisión y la velocidad de los dispositivos de borde de IA.
  • La partición de capas granulares / núcleos granulares ofrece una poderosa estrategia de optimización a nivel de hardware para diversas cargas de trabajo de IA.
  • Este enfoque proporciona una solución rentable y lista para la fundición para la computación de borde de IA de próxima generación.